Improved parameter initialization for the (local) unitary cluster Jastrow ansatz
本文提出了两种经典的预处理方法——压缩双因子分解和近似张量网络模拟——以改进酉簇型 Jastrow 拟设的参数初始化,从而显著提升变分量子化学算法在模拟及真实量子硬件上的能量精度。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
在探索物质在最基本层面如何运作的过程中,科学家们长期以来一直依赖强大的计算机来模拟原子和分子内电子的舞动。几十年来,经典超级计算机一直是这一领域的功臣,通过求解复杂的方程来预测化学物质如何反应或材料如何导电。然而,随着分子变得越来越大,其电子之间的纠缠也变得更加紧密,这些经典机器遇到了瓶颈。计算量变得如此庞大,以至于即使是最强大的超级计算机也无法在合理的时间内完成它们。这正是量子计算机登场的地方。与处理零或一这种比特信息的经典计算机不同,量子计算机使用量子比特(qubits),它们可以同时存在于多种状态中。这种独特的能力使它们能够直接模拟电子的行为,为解决目前尚无法解决的问题提供了一条潜在的捷径。然而,挑战在于,今天的量子计算机仍处于婴儿阶段。它们充满噪声,容易出错,并且在信息退化之前只能持有有限数量的量子比特。为了从这些脆弱的机器中获得有用的结果,研究人员必须设计特殊的指令集,即算法,这些算法既要足够短以便在噪声接管之前运行,又要足够聪明以捕捉化学系统的本质物理特性。
最近一项由 IBM Quantum 和学术机构研究人员开展的研究解决了这一精确的瓶颈。他们专注于一种专门为化学设计的特定指令集,称为局部幺正簇 Jastrow(local unitary cluster Jastrow),简称 LUCJ 拟设(ansatz)。可以将“拟设”想象成量子电路的一个模板或蓝图;它是一个预定义的结构,计算机通过它来准备代表分子的量子态。LUCJ 模板之所以受欢迎,是因为它在物理准确性与当前设备的硬件限制之间取得了平衡。传统上,科学家通过从一种被称为耦合簇单双激发(coupled cluster, singles and doubles, 或 CCSD)的经典计算机计算中获取数值,来填充这个蓝图的细节。这种经典方法是近似分子能量的标准方式,其结果被用于设定量子电路的起点。问题在于,目前的量子硬件无法运行这个蓝图的完整、完美的版本。为了让电路适配真实的设备,研究人员必须对其进行裁剪,舍弃许多相互作用,以保持电路的简短和简单。然而,这种必要的裁剪会丢弃有价值的信息,导致量子计算机获得一个糟糕的起点,从而往往导致能量预测不准确。
该研究中的研究人员提出了两种新方法,旨在量子计算机启动之前修复这个起点。第一种方法涉及一种称为压缩双因子分解(compressed double factorization)的技术。与其仅仅切掉蓝图的多余部分并听天由命,不如使用一种数学压缩技术来重新组织信息。想象一下在尝试为旅行打包一个大型且复杂的行李箱:你不是简单地扔掉那些装不下的衣服,而是仔细地折叠并重新排列所有物品,以便最重要的物品能完美地放入较小的空间中。类似地,这种方法提取来自经典计算的完整数据集,并将其压缩成一组更小、更高效的指令,同时仍能捕捉到最关键的物理特性。他们通过在多达 52 个量子比特的系统上运行模拟进行了测试,发现这种压缩方法显著提高了能量估计的准确性,在衡量对分子可能状态的采样能力时,其表现往往甚至优于未裁剪的完整版蓝图。
他们引入的第二种方法是专门为一种依赖采样而非直接测量的不同类型量子算法而设计的。这种方法使用一台经典计算机来运行一种被称为张量网络(tensor network)的高级模拟,该模拟充当量子计算机的替代品。研究人员利用这种模拟生成数千个样本结果,计算能量,然后调整蓝图的设置以降低该能量,而无需接触实际的量子硬件。这个过程被称为代理优化(surrogate optimization),它允许他们在实验开始前精炼初始参数,使其尽可能好。当他们将此方法应用于初始经典近似较弱的系统时,改进效果非常显著。在一次涉及铁硫簇(iron-sulfur cluster)的案例中——这是一个标准经典方法难以收敛的系统——该技术帮助量子算法找到了比其自身能找到的更好的解。
为了证明这些方法在现实世界中有效,团队将他们改进后的蓝图应用到了 IBM 的一台拥有 156 个量子比特的超导量子处理器上。他们在两种不同的分子——氮气和甲酰胺二聚体(formamide dimer)上测试了该方法。他们将这种经过精心初始化的设置,与仅进行裁剪而未经过优化的设置,以及随机猜测的方法进行了对比。结果显而易见。在有噪声的硬件上,这种压缩初始化方法产生的能量读数始终比随机或未优化的方法更准确。事实上,对于氮分子,该方法非常有效,它使得量子计算机能够从噪声中提取出清晰的信号,而其他方法则难以做到这一点。研究人员指出,尽管硬件噪声仍然带来了挑战,特别是对于具有困难电子-轨道比的氮系统而言,但改进后的起点确实提升了所收集数据的质量。
研究结论认为,这些方法为利用当今不完美的量子计算机解决化学问题提供了一条切实可行的路径。通过使用经典计算来精心准备初始设置,研究人员可以绕过当前硬件的一些限制。压缩双因子分解确保了即使在电路缩短时也能保留最重要的物理信息,而张量网络优化则为依赖采样的算法微调了设置。作者强调,这些方法并不是解决所有问题的“魔法”,也不能取代量子计算机运行期间进一步的优化。然而,它们提供了一个稳健的基础,使变分量子算法能够从更接近正确答案的位置开始。随着量子硬件的不断改进,这些用于更好初始化的技术很可能会成为标准工具包的一部分,从而使科学家能够应对日益复杂的分子,并让量子化学的承诺离现实更近一步。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。